基于TF-IDF加權(quán)樸素貝葉斯算法的ATP車載設(shè)備測試案例分類研究

王心儀，程劍鋒，劉育君

（1.中國鐵道科學(xué)研究院 研究生部，北京 100081；2.中國鐵道科學(xué)研究院集團(tuán)有限公司 通信信號(hào)研究所，北京 100081）

列車超速防護(hù)（ATP，Automatic Train Protection）系統(tǒng)是保障高速鐵路運(yùn)輸安全的關(guān)鍵設(shè)備，其安全性和功能性是高速鐵路信號(hào)系統(tǒng)列車控制的核心。ATP 車載設(shè)備在研發(fā)過程中，要進(jìn)行大量的仿真測試，須先將測試案例按照測試場景進(jìn)行分類，便于測試人員編寫測試序列，利于后續(xù)問題的查找和分析。目前，ATP 車載設(shè)備測試案例采用人工分類方式，依靠測試人員的經(jīng)驗(yàn)及對(duì)案例的理解，使得案例分類具有較大差異。因此，亟需設(shè)計(jì)一種方法，實(shí)現(xiàn)測試案例自動(dòng)分類，便于測試的流程化作業(yè)。

實(shí)現(xiàn)測試案例文本分類的核心，在于對(duì)文本特征詞的篩選及分類器的選擇。在研究分類的過程中，莊媛等人[1]利用詞頻—逆文檔頻率（TF-IDF，Term Frequency-Inverse Document Frequency）算法計(jì)算Web 服務(wù)質(zhì)量受位置、時(shí)間等環(huán)境因素影響的權(quán)重，結(jié)合樸素貝葉斯分類器算法，與基于經(jīng)典假設(shè)檢驗(yàn)的SPRT （Sequential Probability Ratio）方法進(jìn)行對(duì)比，實(shí)現(xiàn)了Web 服務(wù)質(zhì)量的有效監(jiān)控；周小燕[2]考慮了特征受到類內(nèi)和類間分布的影響，引入集中度和分散度，對(duì)TF-IDF 算法進(jìn)行優(yōu)化，結(jié)合LDA （Latent Dirichlet Allocation）主題模型得到的主題個(gè)數(shù)及隨機(jī)森林函數(shù)確定的屬性子集，實(shí)現(xiàn)用戶影評(píng)的分類；李新琴等人[3]采用ADASYN （Adaptive Synthetic Sampling）數(shù)據(jù)合成法對(duì)鐵路信號(hào)道岔設(shè)備故障樣本進(jìn)行處理，選擇TF-IDF 算法實(shí)現(xiàn)特征詞提取，集成BiGRU 和BiLSTM 兩個(gè)神經(jīng)網(wǎng)絡(luò)，得到故障診斷模型，實(shí)現(xiàn)信號(hào)設(shè)備的故障分類；許麗等人[4]采用向量空間模型對(duì)網(wǎng)絡(luò)熱點(diǎn)新聞信息進(jìn)行處理，利用TFIDF 算法，結(jié)合樸素貝葉斯分類器，實(shí)現(xiàn)根據(jù)提案內(nèi)容推薦熱點(diǎn)信息，但隨著測試樣本的增多，穩(wěn)定性和準(zhǔn)確性都有所降低；王麗等人[5]研究了TF-IDF 和Word2vec 算法提取新聞文本關(guān)鍵詞的優(yōu)缺點(diǎn)，利用KNN （K-Nearest Neighbor）算法，實(shí)現(xiàn)新聞數(shù)據(jù)分類，但不同類別的分類效果差異較大；景麗等人[6]針對(duì)特征詞提取不全面等問題，對(duì)TF-IDF 算法的特征項(xiàng)分布和位置因素進(jìn)行了優(yōu)化，結(jié)合帶有注意力機(jī)制的LSTM 卷積網(wǎng)絡(luò)分類模型，實(shí)現(xiàn)了更精確的數(shù)據(jù)分類，但存在時(shí)間復(fù)雜度較大的問題。

本文針對(duì)鐵路ATP 車載設(shè)備測試案例，選擇TFIDF 算法對(duì)測試案例文本描述進(jìn)行預(yù)處理和特征詞提取，依據(jù)選取的特征詞權(quán)重結(jié)合樸素貝葉斯算法作為測試案例的分類方法，提高分類效率及準(zhǔn)確性。

1 ATP 車載設(shè)備案例概述

1.1 ATP 車載設(shè)備

目前，CTCS-3 （Chinese Train Control System Level 3）級(jí)列車運(yùn)行控制（簡稱：列控）車載系統(tǒng)采用 C2/C3 一體化設(shè)計(jì)，設(shè)備的子系統(tǒng)間為分布式結(jié)構(gòu)[7]。ATP 車載設(shè)備主要結(jié)構(gòu)如圖1所示，包括車載安全計(jì)算機(jī)、人機(jī)交互界面（DMI，Driver Machine Interface）、應(yīng)答器信息傳輸模塊（BTM，Balise Transmission Module）、司法紀(jì)錄單元（JRU，Juridical Recording Unit）、軌道電路讀取器（TCR，Track Circuit Reader）等，圖中箭頭表示信息的傳遞方向。ATP 作為CTCS-3 級(jí)列控系統(tǒng)的車載關(guān)鍵設(shè)備及列車自動(dòng)控制系統(tǒng)的核心[8]，能夠?qū)⒌孛孳壍离娐贰?yīng)答器、無線閉塞中心 （RBC，Radio Block Center）等傳送來的聯(lián)鎖設(shè)備信息、線路信息、距離位置信息等轉(zhuǎn)換為控車數(shù)據(jù)，生成控車曲線，在列車運(yùn)行時(shí)監(jiān)控列車運(yùn)行速度，保障列車的安全間隔，并與車輛系統(tǒng)接口實(shí)現(xiàn)信息交互，JRU 通過以太網(wǎng)向動(dòng)態(tài)監(jiān)測系統(tǒng)（DMS，Dynamic Monitoring System）提供相關(guān)車載數(shù)據(jù)。

圖1 ATP 車載設(shè)備主要結(jié)構(gòu)

1.2 測試案例概述

ATP 車載設(shè)備在投入使用前若存在設(shè)計(jì)問題，極易引發(fā)重大事故，造成不可挽回的損失。因此，設(shè)備的研發(fā)需經(jīng)歷多場景、多輪次的測試，才能保障其安全性，降低在現(xiàn)場使用時(shí)發(fā)生故障的概率，確保行車安全。車載設(shè)備的測試不僅包括各項(xiàng)設(shè)計(jì)功能實(shí)現(xiàn)程度的檢測，還包括運(yùn)用過程中出現(xiàn)故障的分析處理。常規(guī)的仿真測試主要分為功能性測試和特殊場景下的故障測試。為保障測試的全面性及系統(tǒng)性，需要測試人員根據(jù)系統(tǒng)測試需求，規(guī)范編寫測試案例。

在遇到系統(tǒng)變更、故障分析等情況時(shí)，測試人員可查找現(xiàn)有的測試案例進(jìn)行驗(yàn)證和分析。ATP 車載設(shè)備功能復(fù)雜，測試案例數(shù)目較多，依據(jù)ATP 的運(yùn)營場景和功能需求等進(jìn)行測試案例分類，便于后續(xù)分析工作的開展。通常將ATP 車載設(shè)備CTCS-3級(jí)測試案例按照中國國家鐵路集團(tuán)有限公司（簡稱：國鐵集團(tuán)）發(fā)布的《CTCS-3 級(jí)列控系統(tǒng)測試案例》進(jìn)行分類，包括制動(dòng)測試、通信會(huì)話管理、控車曲線、應(yīng)答器鏈接信息處理、無線消息接收、自動(dòng)過分相、版本檢查、前方軌道空閑（TAF，Track Ahead Free）信息接收和使用、DMI 顯示、緊急停車消息、故障處理等。

2 基于TF-IDF 的特征詞提取

2.1 測試案例文本數(shù)據(jù)

在進(jìn)行測試案例分類前，需要對(duì)案例文本進(jìn)行分詞處理，具體測試案例文本如表1所示。利用Python 中現(xiàn)有的jieba 分詞庫對(duì)測試案例文本進(jìn)行分詞（分詞方法見文獻(xiàn)[4]所述）。將文本進(jìn)行精確分詞，便于計(jì)算機(jī)準(zhǔn)確獲取文本中的詞語。

表1 測試案例文本示例

2.2 TF-IDF 算法

在利用TF-IDF 算法獲取特征詞在全部特征詞中的權(quán)重值之前，要將利用jieba 分詞處理后的測試案例語句與停用詞庫進(jìn)行比較，過濾無意義的詞。去掉停用詞后，可在一定程度上降低特征詞的維度，增強(qiáng)分類的確定性。

TF-IDF 算法是篩選文章特征詞的一種方法，該方法可評(píng)估前文選取的詞在文檔中是否具有代表性。如果一個(gè)詞在本篇文章中出現(xiàn)的頻率很高，在其他文章中出現(xiàn)頻率相對(duì)較低，則該詞即為本文的特征詞。上述關(guān)系可用公式（1）表示[5]。

其中，TF為進(jìn)行歸一化后的詞頻，公式為

逆文件頻率IDF表示在詞頻的基礎(chǔ)上，賦予每個(gè)特征詞的權(quán)重，公式為

3 TF-IDF 加權(quán)的樸素貝葉斯算法

3.1 樸素貝葉斯算法

貝葉斯算法適用于目標(biāo)變量個(gè)數(shù)較多的情況，是表達(dá)不確定問題的有效模型之一。樸素貝葉斯算法在給定屬性相互獨(dú)立的情況下，簡化了貝葉斯算法的復(fù)雜度[9]。本文選擇該算法實(shí)現(xiàn)測試案例的分類，即依據(jù)算法得到特征詞與預(yù)測分類間存在關(guān)系概率的大小，選擇測試案例適合的分類。

假設(shè)文檔集H中有 |C|個(gè)類別，其中，第k個(gè)類別表示為Ck(1 ≤k≤|C|)；n為特征詞總數(shù)；p(ωm|Ck)表示在類別Ck文檔中出現(xiàn)特征詞ωm(1 ≤m≤n)的概率；q為文檔總數(shù)；Hi(1 ≤i≤q)表示文檔集H中第i個(gè)文檔；ωim表示第i個(gè)文檔中第m個(gè)特征詞；結(jié)合文獻(xiàn)[10]得到樸素貝葉斯算法分類公式為

3.2 TF-IDF 加權(quán)的樸素貝葉斯算法

傳統(tǒng)的樸素貝葉斯分類方法沒有考慮不同類別的特征詞權(quán)重不同的情況，本文利用TF-IDF 算法得到的權(quán)重對(duì)其改進(jìn)。

為簡化表達(dá)式，設(shè)變量l=im，對(duì)于Hi中的特征詞 ωl，其特征權(quán)重計(jì)算公式為

根據(jù)公式（2）和公式（3）可得到

其中，N(Hi,ωl)表示特征詞 ωl在文檔Hi中出現(xiàn)的次數(shù)；t表示全部特征詞在文檔中出現(xiàn)的次數(shù)總和；M(Hi,ωl)是Hi中含有該特征詞的文檔數(shù)目。因此，文本Hi中的特征詞 ωl的特征權(quán)重W(Hi,ωl)為

將公式（7）引入公式（4）可得到加權(quán)的樸素貝葉斯算法分類公式為

將篩選出的特征詞及權(quán)重帶入公式（8），結(jié)合已有的訓(xùn)練數(shù)據(jù)，得到優(yōu)化后的分類結(jié)果。

4 實(shí)驗(yàn)與分析

4.1 實(shí)驗(yàn)步驟

本實(shí)驗(yàn)在Windows 操作平臺(tái)下運(yùn)行，采用 Python編程語言編寫。本文選取了20 個(gè)測試案例類型的2001條測試案例，對(duì)TF-IDF 加權(quán)樸素貝葉斯的分類方法進(jìn)行驗(yàn)證，部分測試案例如表2所示。隨機(jī)選取1500 條案例作為訓(xùn)練數(shù)據(jù)，501 條案例作為驗(yàn)證數(shù)據(jù)，訓(xùn)練樣本與驗(yàn)證樣本的比例大致為3∶1。

表2 案例類型與文本詳情節(jié)選

具體實(shí)驗(yàn)參數(shù)設(shè)置如下：jieba 分詞處理后文檔選定的特征詞數(shù)量topK=300，返回特征詞權(quán)重with-Weight=True，特征詞數(shù)目選取max_features=300，測試案例比例test_size=0.25。

本文利用jieba 分詞得到的訓(xùn)練詞庫示例如圖2所示，利用TF-IDF 算法得到的特征詞及其對(duì)應(yīng)的權(quán)值示例如圖3所示，選取權(quán)值較大的前300 個(gè)詞進(jìn)行貝葉斯分類，得到測試案例的分類結(jié)果，測試案例分類流程如圖4所示。

圖2 利用jieba 分詞得到的訓(xùn)練詞庫示例

圖3 利用TF-IDF 算法得到的特征詞及其對(duì)應(yīng)權(quán)值示例

圖4 測試案例分類流程

4.2 實(shí)驗(yàn)結(jié)果分析

4.2.1 分類結(jié)果分析

本文采用文獻(xiàn)[11]提到的準(zhǔn)確率、召回率及F1值作為判斷分類有效性的指標(biāo)。利用傳統(tǒng)樸素貝葉斯分類方法和TF-TDF 加權(quán)的樸素貝葉斯分類方法實(shí)現(xiàn)測試分類，其各自結(jié)果對(duì)應(yīng)的指標(biāo)變化如圖5、圖6、圖7所示。

從圖5、圖6、圖7可看出，相比于傳統(tǒng)算法，利用加權(quán)后的樸素貝葉斯算法得到的分類效果較好，對(duì)應(yīng)的評(píng)價(jià)指標(biāo)總體水平呈現(xiàn)提升的趨勢。如果用人工方式實(shí)現(xiàn)上述測試案例的分類，需要近3 天的時(shí)間，利用本算法僅需幾秒，從工作時(shí)間的對(duì)比可看出本算法顯著提高了工作效率。

圖5 準(zhǔn)確率指標(biāo)變化情況

圖6 召回率指標(biāo)變化情況

圖7 F1 值變化情況

4.2.2 分類指標(biāo)對(duì)比

依據(jù)文獻(xiàn)[12]提及的準(zhǔn)確度、宏平均及加權(quán)平均指標(biāo)，結(jié)合表3得到的結(jié)果可發(fā)現(xiàn)，在測試案例數(shù)目相同的情況下，利用TF-IDF 加權(quán)的樸素貝葉斯算法的加權(quán)平均值與傳統(tǒng)的樸素貝葉斯算法的加權(quán)平均值相比，準(zhǔn)確率指標(biāo)有6%的提升，召回率指標(biāo)有2%的提升，F(xiàn)1 值有3%的提升。實(shí)驗(yàn)證明了基于TF-IDF 加權(quán)的樸素貝葉斯算法分類的有效性與準(zhǔn)確性。

表3 分類報(bào)告對(duì)比

5 結(jié)束語

本文以實(shí)驗(yàn)室現(xiàn)有列控車載設(shè)備CTCS-3 實(shí)際生產(chǎn)數(shù)據(jù)為測試案例，選擇了基于文本挖掘的測試案例分類方法，利用TF-IDF 算法實(shí)現(xiàn)了高速鐵路列控車載設(shè)備CTCS-3 級(jí)案例中的特征詞及對(duì)應(yīng)權(quán)重的篩選，將得到的權(quán)重結(jié)合樸素貝葉斯算法實(shí)現(xiàn)了測試案例自動(dòng)分類，相比于傳統(tǒng)的人工分類法顯著提高了分類效率及準(zhǔn)確性。

實(shí)驗(yàn)結(jié)果表明，本文方法可為高速鐵路ATP 車載設(shè)備測試人員分類測試案例提供有力支撐，具有很強(qiáng)的實(shí)用性。后續(xù)將針對(duì)樸素貝葉斯分類器性能受屬性關(guān)系影響的問題開展進(jìn)一步的研究。